2021年华数杯C题基于决策树模型预测客户是否购买电动汽车的可能性

Question

求帮忙！
我们用决策树模型预测的购买意愿，模型准确性0.98也还行，第四问的时候我们把a2和a3的满意度都提高了5%(因为我们拟合模型的时候只取了特征重要性前三的，B16，a2，a3这三个特征），但是为什么预测的时候购买意愿都为0啊，明明满意度更高了为什么会出现这种情况啊，有没有人帮帮我

Answer 1

以下内容由AIGC及阿里嘎多学长共同生成、有用望采纳：

---

从你提供的信息和图片中，我们可以看到一些关键点，这将有助于我们分析和解决你的问题。

1. 模型预测结果异常

从你提供的第一张图片（ab77bef9df64420285d9eaa687da437c.png）中，我们可以看到特征重要性的排序。B16、a2、a3是特征重要性最高的三个特征。然而，仅仅依赖这三个特征可能不足以全面反映客户的购买意愿。

2. 特征重要性与预测结果的不一致性

从第二张图片（70e61e32fc1e475da0bdfc0e16e63e7b.png）中，我们可以看到模型的准确性为0.9869，召回率为0.961，这表明模型在大多数情况下表现良好。但是，当你提高了a2和a3的满意度各5%时，预测结果仍然为0，这可能意味着模型对这些特征的依赖过重，或者模型的预测逻辑存在问题。

3. 模型调整与优化

为了解决这个问题，你可以考虑以下几个方面：

• 重新评估特征重要性：可能需要重新评估所有特征的重要性，而不仅仅是前三个。这可以通过特征重要性分析或模型解释性工具来实现。
• 引入更多特征：考虑引入其他特征，这些特征可能对预测结果有显著影响。
• 调整模型参数：调整决策树的深度、剪枝策略等参数，可能会改善模型的预测效果。

4. 代码实现与调试

从第四张和第五张图片（4765326ff6d14c569a626aa0bbd2d923.png 和 959a67ab4a764f6db328a9afddca2872.png）中，我们可以看到你的代码实现。以下是一些具体的建议：

• 确保特征处理正确：检查import_feature['col'].values[indices][0:3]是否正确选择了特征，并且这些特征是否被正确处理。
• 检查数据类型：确保输入数据的类型与模型训练时的数据类型一致。
• 验证模型预测逻辑：检查模型的预测逻辑是否正确，特别是在处理新的输入数据时。

示例代码

以下是一个示例代码，展示如何使用决策树模型进行预测，并检查特征处理和模型预测逻辑：

import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeClassifier

# 假设你已经有了一个训练好的模型 tree_clf
# 假设你有一个特征选择列表 import_feature
# 假设你有一个数据集 df15

# 读取数据
df15 = pd.read_excel("dataset15.xlsx")

# 选择特征
X_new = df15[import_feature['col'].values[indices][0:3]]

# 预测
predictions = tree_clf.predict(X_new)

# 打印预测结果
print(predictions)

进一步的调试步骤

1. 检查特征选择：确保import_feature['col'].values[indices][0:3]正确地选择了你想要预测的特征。
2. 检查数据类型：确保输入数据的类型与模型训练时的数据类型一致。
3. 检查模型参数：调整模型参数，如决策树的深度、剪枝策略等。
4. 交叉验证：使用交叉验证来评估模型在不同数据集上的表现，确保模型的泛化能力。

通过这些步骤，你应该能够更好地理解模型的预测逻辑，并找到导致预测结果异常的原因。希望这些信息对你有所帮助！